2018, Vol. 51文章信息
- 吴超, 袁方, 柴玮, 丁李, 郭江
- WU Chao, YUAN Fang, CHAI Wei, DING Li, GUO Jiang
- 基于多分类支持向量机的逆变器卡件故障诊断模型研究
- Research on transformer fault diagnosis model based on CRO-BP neural network
- 武汉大学学报(工学版), 2018, 51(9): 842-846
- Engineering Journal of Wuhan University, 2018, 51(9): 842-846
- http://dx.doi.org/10.14188/j.1671-8844.2018-09-015
-
文章历史
- 收稿日期: 2017-10-09
2. 武汉大学水力机械过渡过程教育部重点实验室，湖北 武汉 430072;
3. 武汉大学动力与机械学院，湖北 武汉 430072
2. Key Laboratory of Hydraulic Machinery Transients of Ministry of Education, Wuhan University, Wuhan 430072, China;
3. School of Power and Mechanical Engineering, Wuhan University, Wuhan 430072, China
在核电站的发展建设过程中，智慧核电站逐渐成为核电站的重要发展方向，这也对运维工作的高效、精确、智能化提出了更高要求，然而，核电站设备及卡件类别繁多，即使在同一个专业中，运维人员也无法对各类设备及卡件完全掌握.提高核电站对设备或卡件实时诊断分析能力，对电站相关重要设备或者卡件进行及时的测试、分析、检修或更换是目前亟待解决的技术问题.
交流不间断电源系统是核电站安全运行的保障，主要功能为逆变、整流和储能，逆变器卡件在交流不间断电源系统中有着非常重要的作用，能够保证不间断电源系统的波形畸变率、转换效率、功率因数、谐波含量等运行参数处于正常状态，并保证输出的稳定性.逆变器作为不间断电源系统的核心控制卡，其状态直接关系到核电站的安全稳定运行.因此，逆变器早期潜伏性故障的及时发现，对电站的安全运行非常有意义.然而，核电行业的部分逆变器卡件一直被国外垄断，存在资料封闭、备件昂贵、供货周期长等问题，缺乏系统性的诊断分析方法对卡件状态进行检测，对于故障的卡件也无法进行元器件级别故障定位.
支持向量机(support vector machines, SVM)是一种常用的机器学习方法，该方法基于统计学习理论，按照VC维的大小排列各个函数子集，即SRM原则，学习能力及适应能力良好，可以解决BP神经网络中常见的像收敛精度低导致的局部极值、过度拟合、收敛速度慢等缺点，对于解决电力行业数据中的非线性、局部极小点、小样本模式识别等实际问题切实可行，已在电力系统应用中取得了一定的成果[1-5].
经典SVM是针对两分类问题设计的，不能直接用于多分类问题，目前已有许多组合多分类方法能够将这类问题拆成多个2分类问题后去解决，最常用的如一对多支持向量机(one-versus-rest support vector machines)、一对一支持向量机(one-versus-one support vector machines)等，但这些方法在分类维数过高时，需要很多子分类器，每个子分类器均需要反复地分析样本数据，存在结构复杂、训练速度慢等问题, 同时，训练样本的不均衡也会影响SVM分类器的性能.
本文针对逆变器卡件以及智能算法中存在的问题，提出一种基于多分类双子支持向量机(partial binary tree algorithm and twin support vector machines, TWSVM)的故障诊断模型.引入基于双子支持向量机的偏二叉树多分类方法，构造多个2分类器，能够同时确保训练精度以及高的训练及分类效率，并解决样本不均的问题；同时，将逆变卡件的敏感元器件进行特征提取，建立逆变器卡件故障模型作为智能算法诊断模型的输入参数，实现卡件典型故障的元件级别的故障定位及诊断.
1 TWSVM支持向量机 1.1 双子支持向量机双子支持向量机TSVM由Jayadeva等人于2007年提出，其思想是把经典SVM中的一个二次优化问题(quadratic programming program, QPP)转化为两个较小规模的QPP，得到两个非平行分类超平面，其中每个超平面离某一类样本点尽可能近，同时离另一类样本点尽可能远，其优点是可避免经典SVM中可能存在的样本不平衡问题，同时提高支持向量机的训练速度[6-9].
TWSVM在n维空间构建的两个非平行超平面如下：
(1)
每一个超平面应尽可能地离某一类样本近，同时离另一类样本尽可能远，双子支持向量机求解两个二次优化问题如下：
(2)
式中：K为核函数；A为m1个正类样本；B为m2个负类样本；c1、c2为惩罚系数；e1为K(A, C)具有相同维数的单位向量；e2为K(B, C)具有相同维数的单位向量；w为最优超平面法向量；b为最优超平面偏移量；q为松弛因子.
两个超平面分别对应一个样本类型.样本和超平面之间的距离决定了样本的所属类型, 决策函数如下：
(3)
对于样本不均衡的情况，可对两类样本采用不同惩罚系数c1、c2，以降低样本不均衡对分类精度产生的影响.
在计算效率方面，从计算复杂度的角度分析2分类问题，SVM计算复杂度为O(m3)，而TWSVM计算复杂度为O(2(m/2)3)，m为样本的数量，可知TWSVM的计算复杂度仅为经典SVM的1/4，即计算速度为经典SVM的4倍.
1.2 多类分类算法经典支持向量机实质上是一个2分类器，解决实际问题时一般会针对多分类问题通过多分类支持向量机的排列组合进行，通过分解重构变换为多个2分类问题，来进行单独求解.
常用的多类分类算法包括“一对多算法”、“一对一算法”、“二叉树结构算法”、“决策有向无环图算法”.二叉树结构算法具有以下特点：1)可以与具体的分类模型进行有机融合；2)对k类问题分类时需要构造k-1个2分类器，与以上几种多分类方法相比最少，计算量较小；3)所用到的样本会逐层减少，在相同层级的前提下，缩短训练时间，提高训练效率；4)不存在不可分区域.本文选择二叉树结构算法组建TWSVM的分层决策模型，二叉树有两种拓扑结构，根据具体分类问题，分为偏二叉树和完全二叉树，如图 1所示.
|
| 图 1 完全二叉树和偏二叉树支持向量机 Fig. 1 Complete(left) and partial(right) BT-SVM |
核电站卡件在投运过程中产生的故障类型多种多样，其中一部分的卡件故障会比较频繁地出现，并且这些故障的特征非常明显，核电领域中将这些具有代表性的卡件故障叫做卡件的故障模式.建立卡件故障案例库对卡件故障类型进行判断，本文首先对卡件的响应特性进行分析[10-14].
核电站逆变器卡件故障信息的统计数据表明，逆变卡的敏感元器件为电容C11和C14，C11和C14经常出现短路或者断路进而导致卡件故障.本文着重讨论电容C11发生断路的故障，进而将结论推广到其他敏感元器件.电容C11发生断路故障时，标准案例中的仿真波形如图 2所示，继电器动作以后电压将会持续慢速线性增加，C11发生断路故障后，电压幅值发生突变，到12.8 V后达到稳定状态.
|
| 图 2 电容C11断路后仿真波形 Fig. 2 Simulation waveform of broken circuit of capacitor C11 |
在PSpice的原理图中将敏感元器件电容C11两端连线后实现短接，用来模拟C11发生短路故障时的情形，短接后电容C11被短路，然后将C11短路后的原理图进行仿真.仿真结果表明，短接后的电容两端电压输出波形稳定在0 V，没有波动，如图 3所示.
|
| 图 3 电容C11短路状态下的仿真波形 Fig. 3 Simulation waveform of short circuit of capacitor C11 |
在PSpice的原理图中，将敏感元器件电容C11按如上方法对4种故障模式分别进行分类仿真，获取输出结果.根据不同故障模式下的不同输出结果，构建逆变器卡件的TWSVM故障诊断模型，如表 1所示.
| 元器件名称 | 故障模式 |
| C11电解电容 | 短路故障 |
| 开路故障 | |
| C14电解电容 | 短路故障 |
| 开路故障 |
将TWSVM与逆变器故障模型相结合，建立基于TWSVM组合多分类逆变器故障诊断模型，如图 4所示.
|
| 图 4 TWSVM分类模型 Fig. 4 Classification model of TWSVM |
逆变器的故障模式将正常状态考虑在内，共识别5种故障模式：正常(NF)，C11电容开路(K11)，C11电容短路(D1)，C14电容开路(K14)，C14电容短路(D14).
模型共包含4个子分类器进行故障分类，每个子分类器的输入只包含对该分类器故障识别有效的特征参数，以提高模型的训练及诊断效率.
3 逆变器卡件故障诊断模型实例分析TWSVM逆变器卡件故障诊断模型的训练样本和测试样本总共包含300条数据，其中96条数据取自某核电站不间断电源系统实际数据，并作为模型的测试样本；通过PSpice进行仿真后得到的204条仿真数据当作训练样本.对上述300条样本数据进行分析，样本的具体分布情况如表 2所示.
| 编码 | 数据个数 | |
| 训练样本 | 测试样本 | |
| NF | 42 | 20 |
| K11 | 40 | 24 |
| D11 | 44 | 20 |
| K14 | 38 | 18 |
| D14 | 38 | 20 |
| 合计 | 204 | 96 |
TWSVM逆变器故障诊断模型基于Matlab软件仿真平台构建，故障诊断模型的训练结果如表 3所示.
| 模型 | 训练样本数据量 | 测试样本数据量 | 分类精度/% | C1 | C2 | q |
| TWSVM1 | 204 | 96 | 100 | 86.00 | 23.10 | 0.78 |
| TWSVM2 | 160 | 80 | 98 | 67.20 | 15.20 | 9.32 |
| TWSVM3 | 76 | 36 | 94.74 | 1.02 | 8.90 | 3.19 |
| TWSVM4 | 86 | 44 | 94.74 | 56.20 | 10.58 | 1.22 |
通过本文得到的故障诊断模型对96组测试样本进行故障分类，耗时32 ms，故障诊断准确率能够达到94.12%，说明本文采用的故障诊断模型对逆变器卡件的故障诊断及元器件故障定位有较好的适用性，模型的泛化能力较强.
因此，本文提出的TWSVM逆变器故障诊断模型相较于其他人工智能算法在故障分类、泛化能力以及鲁棒性方面有更优的性能，更适应于有限训练样本下故障诊断模型的构建.
4 结论本文提出了一种基于偏二叉树多分类的双子支持向量机逆变器故障诊断模型，通过对比分析诊断结果，得出以下结论：
1) 综合二叉树多分类结构以及双子支持向量机的优势，并将逆变器故障模型与偏二叉树多分类双支持向量机结合，在保持高精度的基础上，有较好的模型训练及故障诊断效率.
2) 本文得到的TWSVM逆变器故障诊断模型对样本数据的诊断准确率达到94.12%，可实现逆变器卡件在元器件级别的故障定位，可用于核电站卡件的智能运维及调试工作，为卡件的实时诊断和分析提供支持.
| [1] |
陈友森, 郭建胜. 基于模糊神经网络的航空装备故障诊断专家系统框架[J]. 航空制造技术, 2007(1): 79-83. Chen Yousen, Guo Jiansheng. ES framework for default diagnosis in aviation equipment based on FNN[J]. Aeron Manuf Technol, 2007(1): 79-83. DOI:10.3969/j.issn.1671-833X.2007.01.013 |
| [2] |
陈琪, 曲东才. 基于故障字典和神经网络理论的故障诊断方法[J]. 计算机测量与控制, 2007, 15(1): 4-7. Chen Qi, Qu Dongcai. Fault diagnosis method based on trouble dictionary method and artificial neural network theory[J]. Computer Measurement & Control, 2007, 15(1): 79-83. |
| [3] |
胡惟文.模拟电路故障诊断的神经网络实现[D].长沙: 湖南大学, 2005. Hu Weiwen. Realization of fault diagnosis of analog circuits based on neural networks[D]. Changsha: Hunan University, 2005. http://cdmd.cnki.com.cn/Article/CDMD-10532-2005125107.htm |
| [4] |
樊敏, 胡梅, 王玲. 一种容差模拟电路的分级故障诊断方法[J]. 计算机测量与控制, 2014, 22(12): 3912-3914. Fan Min, Hu Mei, Wang Ling. A hierarchical fault diagnosis method for analog circuit with tolerance[J]. Computer Measurement & Control, 2014, 22(12): 3912-3914. DOI:10.3969/j.issn.1671-4598.2014.12.022 |
| [5] |
Karaboga D, Basturk B. A powerful and efficient algorithm for numerical function optimization:Artificial bee colony(ABC) algorithm[J]. Journal of Global Optimization, 2007, 39(3): 459-471. DOI:10.1007/s10898-007-9149-x |
| [6] |
谢娟英, 张兵权. 基于双支持向量机的偏二叉树多类分类算法[J]. 南京大学学报(自然科学), 2011, 47(4): 90-93. Xie Juanying, Zhang Bingquan. A partial binary tree algorithm for multiclass classification based on twin support vector machines[J]. Journal of Nanjing University (Natural sciences), 2011, 47(4): 90-93. |
| [7] |
Hashemi S M, Richard M J. Free vibrational analysis of axially loaded bending-torsion coupled beams:A dynamic finite element[J]. Computers & Structures, 2000, 77(6): 711-724. |
| [8] |
Lucia Sileo, Aldo Bonfiglio li, Vinicio Magi. RANS simulation of the flow past a marine propeller under design conditions[C]//4th Annual Conference of the Computational Fluid Dynamics Society of Canada, 2006.
|
| [9] |
刘媛媛. 模拟电路故障的诊断及测试技术[J]. 测试测量技术, 2010(8): 29-31. Liu Yuanyuan. Imitate the diagnosis and the test technique of the electric circuit breakdown[J]. Measure ment and Measurement Technology, 2010(8): 29-31. |
| [10] |
张国远, 朱善安. 基于数据采集与I/O控制的轴承自动检测系统[J]. 机电工程, 2004, 21(7): 1-3. Zhang Guoyuan, Zhu Shanan. PC-Control system based on PC-LAB card for bearing testing[J]. Mechanical &Electrical Engineering Magazine, 2004, 21(7): 1-3. DOI:10.3969/j.issn.1001-4551.2004.07.001 |
| [11] |
王波, 刘连惠, 陈晓明. 模拟电路故障字典开发平台[J]. 计算机测量与控制, 2006(10): 1281-1283. Wang Bo, Liu Lianhui, Chen Xiaoming. Development tool of fault dictionary for analog circuit[J]. Computer Measurement & Control, 2006(10): 1281-1283. |
| [12] |
段敏, 张锡恩. 基于仿真的模拟电路故障知识获取新方法[J]. 系统仿真学报, 2006, 18(3): 802-804. Duan Min, Zhang Xien. New method of analog circuit fault knowledge acquisition based on simulation[J]. Journal of System Simulation, 2006, 18(3): 802-804. DOI:10.3969/j.issn.1004-731X.2006.03.068 |
| [13] |
Li H, Guo S, Zhao H, et al. Annual electric load forecasting by a least squares support vector machine with a fruit fly optimization algorithm[J]. Energies, 2012, 5(11): 4430-4445. DOI:10.3390/en5114430 |
| [14] |
Viswannadham P, Singh P. Failure Modes and Mechanisms in Electronic Packages[M]. New York: Chapman & Hall, 1998: 283-285.
|